پرخواننده‌ترین‌ها

پاداش‌های عقلانی: مقیاس‌بندی تولید بصری با پاداش‌های استدلالی

چارچوب RationalRewards مدل‌های پاداش چندبُعدی را معرفی می‌کند که در زمان آموزش و آزمایش، کیفیت تولیدکننده‌های تصویر را بهبود می‌بخشند. این مدل به دقت بالا در پیش‌بینی ترجیحات دست می‌یابد و در عین حال به ۱۰ تا ۲۰ برابر داده کمتری نیاز دارد.

MemJack: حملات جیل‌بریک مبتنی بر حافظه علیه مدل‌های بینایی-زبانی

پژوهشگران چارچوب «MemJack» را معرفی کرده‌اند؛ یک سیستم حمله چندعامله که با بهره‌گیری از ساختارهای معنایی تصاویر، مدل‌های بینایی-زبانی را هدف قرار می‌دهد. این روش در آزمایش‌ها علیه مدل Qwen3-VL-Plus به نرخ موفقیت ۷۱.۴۸ درصد دست یافته است. محققان همچنین مجموعه داده‌ای گسترده برای تقویت تحقیقات دفاعی منتشر خواهند کرد.

مُدیکس: روشی تطبیقی برای بهینه‌سازی موقعیت‌یابی در مدل‌های بینایی-زبان

پژوهشگران چارچوب مُدیکس را توسعه داده‌اند که بدون نیاز به آموزش، نحوه تخصیص موقعیت در مدل‌های بینایی-زبان را بر اساس چگالی اطلاعات در هر بخش تنظیم می‌کند. این روش با اختصاص دقت بیشتر به نواحی پُراطلاعات و فشرده‌سازی بخش‌های تکراری، عملکرد مدل را بدون تغییر در معماری بهبود می‌دهد.

Vec-LUT: رویکردی نوین با شتاب ۴.۲ برابری برای استنتاج LLM در لبه

پژوهشگران روش Vec-LUT را معرفی کرده‌اند که با استفاده از جدول جستجوی برداری، محدودیت‌های پهنای باند حافظه در استنتاج مدل‌های زبانی با کوانتیزاسیون فوق‌العاده کم را برطرف می‌کند. این روش با پردازش موازی نشانه‌ها از طریق جستجوی واحد، تا ۴.۲ برابر عملکرد بهتری ارائه می‌دهد. این پیشرفت می‌تواند کاربردهای هوش مصنوعی در دستگاه‌های محلی مانند گوشی‌های هوشمند و سیستم‌های تعبیه‌شده را به طور چشمگیری تسریع کند.

چارچوب IDEA: تصمیم‌گیری تفسیرپذیر در مدل‌های زبانی با کالیبراسیون

IDEA با تبدیل فرایند تصمیم‌گیری مدل‌های زبانی بزرگ به یک مدل پارامتری قابل تفسیر، مشکل احتمال‌های نادقیق، توضیحات غیرواقعی و ناتوانی در ادغام دقیق دانش تخصصی را حل می‌کند. این چارچوب از طریق بهینه‌سازی ریاضی، امکان تولید خروجی‌های قابل پیش‌بینی و تنظیم پارامترها با تضمین ریاضی را فراهم می‌آورد.

گوگل لیریا ۳ پرو را با قابلیت تولید موسیقی ۳ دقیقه‌ای عرضه کرد

گوگل مدل پیشرفته تولید موسیقی لیریا ۳ پرو را منتشر کرد که امکان ساخت قطعات تا ۳ دقیقه با درک عمیق‌تر از ساختار موسیقایی را فراهم می‌کند. این مدل در پلتفرم‌های مختلف از جمله Vertex AI، Google AI Studio، اپلیکیشن Gemini، Google Vids و ابزار جدید ProducerAI ادغام شده و دسترسی به تولید موسیقی با کیفیت بالا را برای حرفه‌ای‌ها، توسعه‌دهندگان و سازندگان محتوا آسان‌تر کرده است.

بدون عنوان

بهینه‌سازی ترجیح بصری مبتنی بر معیار برای استدلال چندوجهی

پژوهشگران rDPO را معرفی کردند؛ چارچوبی نوآورانه که از چک‌لیست‌های معیارمحور خاص هر نمونه برای بهبود استدلال بصری در سیستم‌های هوش مصنوعی چندوجهی بهره می‌برد. این روش با ارائه بازخورد دقیق‌تر به جای سیگنال‌های کلی، عملکرد مدل‌ها را به‌طور قابل توجهی ارتقا می‌دهد.

گوگل ترجمه زنده را به هدست‌های iOS آورد؛ گسترش به هفت کشور جدید

گوگل قابلیت ترجمه زنده را برای هدست‌های آیفون و آیپد منتشر کرده است. این ویژگی از بیش از ۷۰ زبان پشتیبانی کرده و هم‌اکنون به هفت کشور جدید از جمله فرانسه، آلمان، ایتالیا، ژاپن، اسپانیا، تایلند و بریتانیا گسترش یافته است.

Spatial Atlas: استدلال مبتنی بر محاسبه برای عوامل هوش مصنوعی فضایی قابل اعتماد

پژوهشگران رویکرد «استدلال مبتنی بر محاسبه» (CGR) را معرفی کرده‌اند که در آن، محاسبات قطعی پیش از تولید پاسخ توسط مدل‌های زبانی، اطلاعات فضایی را تأیید می‌کند. این روش خطاهای استدلالی موسوم به «توهم فضایی» را که سیستم‌های سنتی هوش مصنوعی با آن دست‌وپنجه نرم می‌کنند، به‌طور کامل از بین می‌برد.

MeloTune رونمایی کرد: یادگیری برانگیختگی روی دستگاه برای انتخاب هوشمند موسیقی

تیمی از پژوهشگران سیستم **MeloTune** را معرفی کرده‌اند؛ عاملی موسیقایی که الگوهای برانگیختگی هر شنونده را شناسایی و پیش‌بینی می‌کند. این سیستم با دو شبکه زمان پیوسته بسته‌ای روی آیفون اجرا می‌شود و نخستین استقرار تولیدی پروتکل حافظه مش روی سخت‌افزار موبایل است.

گوگل ۸.۳ میلیارد آگهی را در ۲۰۲۵ با هوش مصنوعی مسدود کرد؛ تغییر رویکرد اجرایی

گوگل در سال ۲۰۲۵ رکورد ۸.۳ میلیارد آگهی را مسدود کرد — ۶۳ درصد بیشتر از سال قبل. این شرکت با بهره‌گیری از مدل‌های **جمینای** (Gemini)، بیش از ۹۹ درصد آگهی‌های نقض‌کننده را پیش از نمایش شناسایی کرد و تعلیق‌های اشتباه را ۸۰ درصد کاهش داد.

چارچوب GCA؛ هوش مصنوعی زاینده برای تحلیل آب‌وهوای خلیج

پژوهشگران چارچوبی متشکل از مجموعه داده‌ای با ۲۰۰ هزار جفت پرسش‌وپاسخ و یک عامل هوش مصنوعی زاینده (Generative AI) ویژه خلیج فارس توسعه داده‌اند. این سیستم با ترکیب داده‌های ماهواره‌ای و پردازش ابزارمحور، قابلیت تحلیل آب‌وهوایی مدل‌های زبانی بزرگ را به‌طور چشمگیری ارتقا می‌دهد.

کاهش ۷.۴ درصدی نرخ تصادف با فریم‌ورک جدید Multi-ORFT در رانندگی خودران چندعاملی

تیمی از پژوهشگران فریم‌ورک **Multi-ORFT** را معرفی کردند که پیش‌آموزش انتشار مبتنی بر صحنه و یادگیری تقویتی آنلاین را برای برنامه‌ریزان چندعاملی ترکیب می‌کند. این روش نرخ تصادف را در معیار WOMD از ۲.۰۴ به ۱.۸۹ درصد کاهش داده و سرعت متوسط را ۳ درصد افزایش می‌دهد.

پژوهش تازه: مدل‌های زبانی بزرگ در درک مفاهیم انتزاعی ناتوان‌اند

پژوهشی تازه نشان می‌دهد مدل‌های زبانی بزرگ، از جمله **جی‌پی‌تی-۴او**، در درک مفاهیم انتزاعی حتی در ساده‌ترین سناریوها ضعیف عمل می‌کنند. مدل‌های آموزش‌دیده مانند **برت** و **روبرتا** عملکرد بهتری نشان داده‌اند. این یافته‌ها فرضیه «هرچه بزرگ‌تر، بهتر» را به چالش می‌کشد.

متابولیسم دانش پیوسته؛ تولید فرضیه با ۹۲٪ صرفه‌جویی

چارچوبی نوین برای پردازش تدریجی ادبیات علمی معرفی شد. این سیستم با کاهش ۹۲ درصدی هزینه محاسباتی، بازدهی تولید فرضیه را به‌طور چشمگیری افزایش می‌دهد. کلید اصلی: به‌روزرسانی پایگاه دانش هم‌زمان با ورود یافته‌های جدید.

محققان ۱۹۵ معیار ایمنی هوش مصنوعی را فهرست کردند؛ پراکندگی گسترده است

تیمی از پژوهشگران ابزاری به نام AISafetyBenchExplorer منتشر کرده‌اند که ۱۹۵ معیار ایمنی هوش مصنوعی را از ۲۰۱۸ تا ۲۰۲۶ مستند می‌کند. این فهرست نشان می‌دهد که تکثیر معیارها با استانداردسازی سنجش همخوانی ندارد: ۱۶۵ مورد فقط انگلیسی هستند و ۱۳۷ مخزن GitHub غیرفعال شده‌اند.

CODESTRUCT: انقلاب در عوامل کدنویسی با تبدیل ویرایش متنی به اقدامات ساختاریافته

چارچوب جدید **CODESTRUCT** ویرایش کد را از تطبیق رشته‌های شکننده به عملیات روی موجودیت‌های ساختار نحو انتزاعی (AST) بازتعریف می‌کند. این رویکرد دقت عوامل کدنویسی را تا ۲۰.۸ درصد افزایش و مصرف توکن را تا ۳۸ درصد کاهش می‌دهد.

چارچوب SNG: گامی بلند toward رانندگی خودران دقیق‌تر

تیمی از پژوهشگران چارچوب «راهنمای پیمایش متوالی» را معرفی کردند. این روش به خودروهای خودران کمک می‌کند اطلاعات مسیریابی جهانی را بهتر پردازش کنند. مدل SNG-VLA بدون نیاز به قابلیت‌های کمکی، به عملکرد پیشرفته دست یافت.

PR-MaGIC؛ روشی بدون آموزش برای بهبود بخش‌بندی تصویر با گرادیان سام

پژوهشگران چارچوب **PR-MaGIC** را معرفی کردند که بدون نیاز به آموزش، پرامپت‌ها را از طریق جریان گرادیان دیکودر ماسک **سام** (SAM) اصلاح می‌کند. این روش بدون تغییر معماری یا داده اضافی، کیفیت بخش‌بندی درون‌متنی تصویر را ارتقا می‌دهد.

روشی نوین برای حذف الگوهای تکراری در خوشه‌بندی تفسیرپذیر

پژوهشگران چارچوبی ارائه دادند که الگوهای زاید در سیستم‌های خوشه‌بندی تفسیرپذیر را حذف می‌کند. این روش با حفظ تنها یک الگوی نماینده برای هر پوشش k، فضای جستجو را به‌طور چشمگیری کاهش می‌دهد. آزمایش‌ها نشان داده‌اند کیفیت خوشه‌ها نه‌تنها افت نکرده، بلکه در برخی موارد بهبود یافته است.

Safe-FedLLM محافظ یادگیری فدرال مدل‌های زبانی در برابر کلاینت‌های مخرب

پژوهشگران چارچوب دفاعی Safe-FedLLM را معرفی کردند که با تحلیل به‌روزرسانی‌های LoRA به‌عنوان نشانگرهای رفتاری، کلاینت‌های مخرب را شناسایی و سرکوب می‌کند. این روش بدون کاهش محسوس سرعت آموزش، امنیت سیستم‌های یادگیری فدرال را ارتقا می‌دهد. رویکرد جدید به مسئله‌ای حیاتی در یادگیری ماشین حفظ حریم خصوصی می‌پردازد.

«ال‌ام‌ام-سرچر»: چارچوبی برای جستجوی عمیق چندوجهی در افق‌های بلند

پژوهشگران «ال‌ام‌ام-سرچر» را توسعه داده‌اند؛ چارچوبی که با انتقال دارایی‌های بصری به حافظه خارجی و استفاده از شناسه‌های متنی سبک، سربار پردازش را کاهش می‌دهد. این سیستم قادر است ۱۰۰ گام جستجو را بدون از دست دادن اطلاعات بصری پشت سر بگذارد.

روش ترجمه رفت‌وبرگشتی نقص سیستم‌های ارزیابی چندزبانه را آشکار کرد

پژوهشگران دریافتند بنچمارک‌های فعلی به جای تسلط واقعی بر زبان، توانایی ریاضی و یادآوری اطلاعات را می‌سنجند. روش ترجمه رفت‌وبرگشتی با رتبه‌بندی کاربران همبستگی ۰.۹۴ نشان داده است. این رویکرد می‌تواند جایگزین ساده‌تر و دقیق‌تری برای سنجش توانایی‌های چندزبانه باشد.

استدلال درباره نیت کاربر در درخواست‌های مبهم برای مدل‌های هوش مصنوعی

پژوهشگران روشی مبتنی بر یادگیری تقویتی ارائه کرده‌اند که به مدل‌های زبانی کمک می‌کند با درخواست‌های مبهم کاربران بهتر کنار بیایند. این رویکرد به جای تکیه بر یک تفسیر واحد، طیفی از برداشت‌های معتبر را به همراه پاسخ‌های متناظرشان فهرست می‌کند. آزمایش‌ها نشان داده‌اند که این روش هم پوشش بالاتری از پاسخ‌های معتبر دارد و هم شفافیت بیشتری ارائه می‌دهد.

QuarkMedSearch: جستجوی عمیق هوش مصنوعی در حوزه پزشکی

سیستم جدید **QuarkMedSearch** با ادغام گراف‌های دانش پزشکی و جستجوی آنلاین بلادرنگ، توانایی هوش مصنوعی در حوزه‌های تخصصی را به سطح بالاتری ارتقا داده است. این سیستم در سه محور کلیدی شامل سنتز داده، آموزش مدل و ارزیابی عملکرد طراحی شده و به نتایج چشمگیری دست یافته است.

«لتنت‌ریفیوژال»: سیستمی که پرسش‌های بی‌پاسخ را در مدل‌های زبانی شناسایی می‌کند

پژوهشگران «لتنت‌ریفیوژال» را معرفی کردند؛ روشی که با تحلیل فعال‌سازی‌های لایه پنهان مدل‌های زبانی بزرگ، پرسش‌های مبهم یا بی‌پاسخ را شناسایی می‌کند. این رویکرد امتیاز اف‌وان ۸۸.۵ درصدی دارد و تنها ۲ میلی‌ثانیه اضافه‌بار محاسباتی ایجاد می‌کند.

ویب کدینگ در ساختمان‌سازی: بررسی کدهای امنیتی تولیدشده توسط هوش مصنوعی

پژوهشی تازه نشان داده که کدهای تولیدشده توسط مدل‌های زبانی بزرگ در کاربردهای ایمنی ساختمان، اغلب از نظر دستوری درست به نظر می‌رسند اما درک عمیقی از خطرات محیط ساخت‌وساز ندارند. این مطالعه تجربی بر ضعف‌های جدی در حفاظت از کارگران و ساکنان تأکید دارد.

متا Muse Spark را منتشر کرد؛ پایان دوره مدل‌های متن‌باز

متا از Muse Spark رونمایی کرد — اولین مدل جدید این شرکت پس از یک سال و اولین محصول آزمایشگاه ابرصنعتی متا. این مدل کاملاً اختصاصی است و برخلاف مدل‌های قبلی، دسترسی آزاد به وزن‌ها یا کد آن وجود ندارد. در معیار سلامت HealthBench Hard با امتیاز ۴۲.۸ پیشتاز است.

سیستم هوش مصنوعی خلاصه‌ساز خودکار برای کمیسیون‌های تومور قفسه سینه

محققان **دانشگاه استنفورد** سیستمی مبتنی بر **هوش مصنوعی زاینده** (Generative AI) برای تولید خودکار خلاصه پرونده بیماران در کمیسیون‌های تومور قفسه سینه توسعه دادند. این تیم با مقایسه روش‌های مختلف و اعتبارسنجی ارزیابی مبتنی بر مدل‌های زبانی بزرگ، چارچوبی عملیاتی برای کاهش بار کاری پزشکان ارائه کرده است.